Saltar al contenido
KnowledgeCity

Inteligencia Artificial

Filtros de cursos
Nivel de habilidad del curso
Tiempo de ejecución
Limpiar todos los filtros
44 cursos para 'Inteligencia Artificial'
Hoy no encontramos nada, pero vuelva a revisar porque añadimos nuevos contenidos cada mes.
Ética y responsabilidad en la IA (inteligencia artificial) 2h 31m • 54 Lecciones • Intermedio Este curso sobre ética y responsabilidad en la IA proporcionará una visión general completa de las consideraciones y principios éticos en torno a la rendición de cuentas en los sistemas de IA. Aprenderá los principios que se aplican solo a los sistemas de IA, como la explicabilidad, así como los principios más amplios, como el de igualdad de acceso a la tecnología, los servicios y las oportunidades. Conocerá la intersección de la IA ética y los derechos humanos, la gobernanza y el sistema legal.
Ética y responsabilidad en la IA: desarrollo moderno de la inteligencia artificial 24m • 7 Lecciones • Intermedio Estas lecciones sobre el desarrollo de la inteligencia artificial moderna cubrirán la historia y los antecedentes de la inteligencia artificial y los aspectos y conceptos fundamentales de la inteligencia artificial, incluyendo cómo funciona como un sistema de decisión.
Ética y responsabilidad en la IA: desafíos únicos de la IA y el aprendizaje automático 16m • 5 Lecciones • Intermedio En estas lecciones sobre los desafíos únicos de la IA y el aprendizaje automático, explorará los tipos de aprendizaje automático, incluido el supervisado, que utiliza datos etiquetados para hacer predicciones; el no supervisado, una serie de técnicas para comprender la estructura de los datos sin una variable de resultado; y aprendizaje por refuerzo, uno de los estilos más antiguos de aprendizaje automático que utiliza un método de aprendizaje basado en objetivos.
Ética y responsabilidad en la IA: Introducción a la inteligencia artificial ética 21m • 7 Lecciones • Intermedio En estas lecciones conocerá el panorama de gobernanza en torno a la IA. Aprenderá sobre la alineación de la IA con los valores humanos y los impactos externos que están indirectamente relacionados con la creación y el despliegue de cualquier sistema de IA, como los impactos ambientales.
Ética y rendición de cuentas en la IA : rendición de cuentas en la IA 8m • 4 Lecciones • Intermedio La rendición de cuentas es una parte fundamental de la ética en la IA, y es relevante en todas las etapas del ciclo de vida de un sistema de IA, incluso durante el diseño, después del despliegue, así como cuando se produce algún daño debido al sistema.
Ética y responsabilidad en la IA: privacidad, seguridad y protección en la inteligencia artificial 13m • 6 Lecciones • Intermedio Estas lecciones sobre privacidad, seguridad y protección en la inteligencia artificial describirán el Reglamento General de Protección de Datos, el consentimiento, la portabilidad de datos, la capacidad de restringir el procesamiento, el derecho de rectificación y el derecho de eliminación.
Ética y responsabilidad en la IA: transparencia y explicabilidad en la inteligencia artificial 14m • 5 Lecciones • Intermedio En estas lecciones sobre transparencia y explicabilidad en inteligencia artificial, aprenderá sobre la explicabilidad y la interpretabilidad y su intersección con los conceptos de caja negra y caja de vidrio AI. Revisará las ventajas y desventajas del software de código abierto en el desarrollo de un sistema de IA. También aprenderá sobre los principios de notificación de decisión e interacción, y su importancia con sistemas que utilizan lenguaje natural o reconocimiento facial.
Ética y responsabilidad en la IA: sesgo, inclusión y equidad en la inteligencia artificial 8m • 4 Lecciones • Intermedio Estas lecciones sobre sesgo, inclusión y equidad en la inteligencia artificial explorarán por qué el sesgo es uno de los conceptos más discutidos que involucran la ética en la IA y por qué la prevención del sesgo debe ser parte de la gobernanza de cada sistema de IA. Además, estas lecciones revisarán los conceptos de equidad, representatividad y el principio de impacto inclusivo.
Ética y rendición de cuentas en la IA: responsabilidad profesional y control humano de la tecnología de la IA 8m • 5 Lecciones • Intermedio En estas lecciones sobre Responsabilidad profesional y control humano de la IA, aprenderá sobre el principio general del control humano de la tecnología y cómo se cruza con el desarrollo del sistema de IA. También verá cómo la responsabilidad de los diseñadores está vinculada a la gobernanza del sistema de IA y la colaboración de múltiples partes interesadas para permitir comentarios valiosos sobre el diseño del sistema y su impacto en varios grupos de partes interesadas.
Ética y rendición de cuentas en la IA: inteligencia artificial y valores sociotécnicos 17m • 6 Lecciones • Intermedio Los derechos humanos están estrechamente vinculados a los valores humanos y se cruzan con todos los aspectos de la sociedad. En estas lecciones sobre IA e impacto del sistema sociotécnico en la sociedad y los valores humanos, aprenderá cómo los derechos humanos pueden verse afectados por la IA y comprenderá la intersección de los derechos y las libertades civiles con la IA.
Ética y responsabilidad en la IA: incidentes críticos de la inteligencia artificial 14m • 3 Lecciones • Intermedio Estas lecciones sobre incidentes críticos de la inteligencia artificial analizan incidentes significativos de IA mediante una serie de ejemplos del mundo real de resultados negativos en IA, cómo se resolvieron y cómo podrían haberse evitado. Específicamente, veremos estudios de casos centrados en cuestiones de identidad y discriminación, contenido ofensivo e implicaciones legales.
Aprendizaje automático 55m • 20 Lecciones • Principiante En este curso, aprenderá los conceptos básicos del aprendizaje automático. Se le presentará el aprendizaje automático y algunos de los conceptos y temas relacionados. Comprenderá los diversos tipos y categorías de aprendizaje automático. Este curso también abarcará cómo implementar modelos de aprendizaje automático en Python utilizando el paquete scikit-learn. Se analizarán y demostrarán los métodos de aprendizaje automático supervisados y no supervisados.
Introducción al aprendizaje automático 13m • 6 Lecciones • Principiante Este capítulo presentará el aprendizaje automático y sus dos categorías principales: supervisado y no supervisado. Aprenderá qué son y cómo se usan. También aprenderá sobre cómo el aprendizaje automático está relacionado con la inteligencia artificial. En este capítulo se discutirá y explicará La importancia de los datos. Este capítulo también explicará la diferencia entre clasificación y regresión para el aprendizaje automático.
Métodos de aprendizaje automático no supervisados 14m • 3 Lecciones • Principiante Este capítulo presentará conceptos y técnicas de aprendizaje automático no supervisado. Enseñará los modelos de mezcla gaussiana. También abarcará varios tipos de agrupación. Este capítulo también introducirá el concepto de aprendizaje múltiple y la diferencia entre varios tipos.
Métodos de aprendizaje automático supervisados 15m • 4 Lecciones • Principiante En este capítulo aprenderá sobre conceptos y técnicas de aprendizaje supervisado. Abarcará la regresión lineal y logística. Aprenderá sobre las máquinas de vectores de soporte y sus usos. Este capítulo también cubre árboles de decisión, bosques aleatorios, aprendizaje de conjuntos y cómo se relacionan todos. También se discute en este capítulo las redes neuronales.
Desafíos y aplicaciones del aprendizaje automático 10m • 5 Lecciones • Principiante Este capítulo cubrirá los desafíos y las aplicaciones en el campo del aprendizaje automático. Cubrirá la selección de modelos para el aprendizaje automático, así como consideraciones éticas y otras consideraciones clave. También se cubrirán desafíos específicos de aprendizaje automático y algunas de sus aplicaciones más populares.
Modelado de clasificación 1h 56m • 32 Lecciones • Intermedio
Aprobado por
International Institute of Business Analysis (IIBA®)
En este curso, aprenderá los fundamentos del modelado de clasificación utilizando el aprendizaje automático. Examinará la tubería típica del modelo de clasificación y los problemas aplicables a los que se puede aplicar. También aprenderá a recopilar, preprocesar y analizar los datos necesarios para crear un modelo de clasificación viable.
Aprendizaje automático y clasificación 26m • 6 Lecciones • Intermedio Estas lecciones presentarán el modelado de clasificación y su espacio de problemas dentro del aprendizaje automático supervisado. Esto incluirá el aprendizaje y el reconocimiento de la diferencia entre clasificación y predicción, y cómo el modelado de clasificación encaja en el campo más amplio del aprendizaje automático. Aprenderá a abordar los problemas de clasificación y se le presentará la tubería típica de los modelos de clasificación.
Problemas de la clasificación 27m • 6 Lecciones • Intermedio Estas lecciones explicarán el proceso típico de creación de modelos en referencia a la tubería del modelo de clasificación. También recibirá una introducción a los problemas de clasificación binarios y multiclase, y las formas en que se utilizan mejor. Aprenderá a utilizar la ingeniería de características para averiguar las mejores entradas de datos para sus modelos de clasificación.
Algoritmos/Modelos de Clasificación 34m • 8 Lecciones • Intermedio En estas lecciones aprenderá los algoritmos de clasificación más utilizados y a qué problemas se aplican normalmente. Cubriremos varios estilos de modelado, que incluyen: regresión, Naive Bayes, máquinas de vectores de soporte, árboles de decisión, modelos de bosque aleatorios, vecinos K más cercanos y modelos de múltiples clases.
Desafíos 16m • 6 Lecciones • Intermedio En estas lecciones aprenderá a elegir el modelo correcto teniendo en cuenta las compensaciones entre ellos. También aprenderá a lidiar con los desafíos comunes que enfrentan los modelos de clasificación, como los problemas de sesgo, equidad y recopilación de datos.
Aplicaciones 10m • 4 Lecciones • Intermedio Estas lecciones lo llevarán a través de las diversas aplicaciones del modelado de clasificación en escenarios de la vida real. Aprenderá cómo se utilizan el modelado de clasificación y la IA en imágenes médicas, diagnóstico y prevención y cómo los investigadores esperan ayudar a la atención médica en todo el mundo.
Redes neuronales 1h 25m • 24 Lecciones • Principiante En este curso, aprenderá los conceptos básicos de las redes neuronales. Recibirá una introducción a las redes neuronales y conceptos y temas estrechamente relacionados. Podrá comprender los diversos aspectos de diseño de las redes neuronales y cómo hacer selecciones para ellas. El curso también abarcará cómo implementar redes neuronales, específicamente en Python.
Introducción a las redes neuronales 17m • 5 Lecciones • Principiante Este capítulo presentará las redes neuronales. Aprenderá qué son y cómo se usan. También aprenderá el tipo más básico de red neuronal. En este capítulo se examinarán y se explicarán las entradas y las salidas. Este capítulo también explicará la diferencia entre clasificación y regresión en las redes neuronales.
Diseño de redes neuronales 29m • 7 Lecciones • Principiante Este capítulo presentará los conceptos de diseño de las redes neuronales. Cubrirá la importancia de los datos, tanto en el rendimiento como en la selección de redes neuronales. También cubrirá qué son las funciones de activación, las funciones de pérdida y los optimizadores y cómo seleccionar cuáles usar. Este capítulo también le presentará el entrenamiento, las pruebas y la validación de las redes neuronales.
Implementación de redes neuronales 28m • 6 Lecciones • Principiante En este capítulo aprenderá sobre la implementación de redes neuronales. Se analizarán varios lenguajes que se pueden utilizar para implementar redes neuronales. Aprenderá por qué se recomienda Python como el lenguaje de programación para comenzar para la implementación de redes neuronales. Este capítulo también cubre varios marcos para implementar redes neuronales en Python.
Aplicaciones prácticas para las redes neuronales 7m • 4 Lecciones • Principiante Este capítulo cubrirá los usos prácticos y las aplicaciones de las redes neuronales. Explicará cómo se pueden usar las redes neuronales para la ciberseguridad, la automatización, la detección de anomalías y los sistemas predictivos.
Clustering (agrupamiento) en el aprendizaje automático 2h 38m • 37 Lecciones • Intermedio
Aprobado por
International Institute of Business Analysis (IIBA®)
En este curso, aprenderá los fundamentos de varias áreas de aprendizaje automático, incluidas la agrupación en clústeres, la detección de anomalías y los modelos de asociación. Comprenderá el método más común de agrupación, k-means y cómo se puede aplicar a los datos de encuestas para crear una robusta segmentación de clientes, incluida la creación de personajes y una herramienta de tipificación. Al final de este curso, sabrá aplicar una serie de diferentes técnicas de análisis y agrupación.
Análisis de clústeres de datos 36m • 7 Lecciones • Intermedio Estas lecciones presentarán el agrupamiento en clústeres y su espacio de problemas dentro del aprendizaje automático no supervisado. Se le presentarán los emparejamientos del agrupamiento en clústeres con otros pasos de modelado, como la reducción de dimensiones, la ingeniería de características y la predicción. También aprenderá a considerar el agrupamiento en clústeres desde un punto de vista empresarial, junto con los tipos de problemas para los que es útil.
Clústeres con K-means 52m • 8 Lecciones • Intermedio Estas lecciones presentan el estilo más común de clústeres, k-means, y trabajan a través de un caso de uso detallado de una segmentación de clientes. Aprenderá a elegir variables de entrada, seleccionar la cantidad de clústeres y a interpretar los centroides. Aprenderá a evaluar la calidad de un modelo de análisis de clústeres y a abordar los desafíos computacionales que conlleva el agrupamiento en clústeres. Examinaremos cómo crear personajes y métodos para clasificar nuevos datos.
Algoritmos de clustering 24m • 6 Lecciones • Intermedio En estas lecciones, aprenderá los algoritmos del agrupamiento en clústeres más utilizados y los problemas a los que suelen aplicarse. Cubriremos y evaluaremos sus fortalezas y debilidades relativas y las ventajas y desventajas entre ellos.
Reglas de asociación 16m • 4 Lecciones • Intermedio En estas lecciones, aprenderá las reglas de asociación y cómo se pueden aplicar a tiendas minoristas, sitios web de comercio electrónico y plataformas de medios. A su vez, exploraremos las tres medidas más importantes: apoyo, confianza y elevación, como también cómo interpretar cada una.
Anomalías 16m • 5 Lecciones • Intermedio Estas lecciones lo llevarán a través de varios métodos de detección de anomalías y sus aplicaciones en el mundo real. Aprenderá cómo se pueden usar varios estilos de aprendizaje automático en la detección de anomalías y qué métodos de clustering específicos funcionan para la detección de anomalías. A su vez, exploraremos los bosques de aislamiento y cómo podrían aplicarse a la aplicación real de detección de fraude.
Usos/Aplicaciones 10m • 5 Lecciones • Intermedio Estas lecciones lo guiarán a través de varios casos de uso y aplicaciones del mundo real de los métodos que hemos cubierto en el curso. Los casos de uso cubrirán varios escenarios, incluidos escenarios de medicina, comercio minorista y marketing.
TensorFlow – Nivel principiante 1h 49m • 22 Lecciones • Principiante En este curso sobre TensorFlow, comenzará aprendiendo cómo se puede usar el aprendizaje automático para resolver problemas del mundo real en diferentes dominios, como las finanzas y la biología. Explorará los modelos de clasificación, el procesamiento de datos Pandas, la visualización Seaborn y la evaluación de modelos y las métricas de desempeño.
TensorFlow nivel principiante: ¿Qué es TensorFlow? 15m • 3 Lecciones • Principiante TensorFlow es una popular biblioteca de software de código abierto para el aprendizaje profundo y se usa ampliamente en aplicaciones de aprendizaje automático. En estas lecciones aprenderá la división de entrenamiento/validación más común y la importancia de mantener un equilibrio entre los dos conjuntos. También descubrirá una de las técnicas de preprocesamiento que TensorFlow proporciona para las imágenes, que es crucial para mejorar la precisión del modelo.
TensorFlow Nivel Principiante: Aprendizaje profundo con TensorFlow 20m • 3 Lecciones • Principiante El aprendizaje profundo es un campo que evoluciona rápidamente, y tener una comprensión fundamental de los diferentes métodos y técnicas utilizados en el aprendizaje profundo puede ser valioso para los profesionales de este espacio. En estas lecciones aprenderá los diferentes métodos de aprendizaje profundo utilizados en el campo, incluidas las redes neuronales convolucionales (CNN) y los perceptrones multicapa (MLP).
TensorFlow Nivel Principiante: Redes neuronales 19m • 3 Lecciones • Principiante Las redes neuronales se han convertido en una parte integral del aprendizaje automático y se pueden utilizar en una variedad de aplicaciones, desde el procesamiento de imágenes hasta el procesamiento del lenguaje natural. En estas lecciones aprenderá los conceptos fundamentales de las redes neuronales, incluyendo las redes neuronales artificiales (RNA) y el método de mínimos cuadrados.
TensorFlow Nivel Principiante: Aprendizaje por transferencia 20m • 4 Lecciones • Principiante El aprendizaje por transferencia es una técnica eficaz en el aprendizaje automático que implica el uso de modelos preentrenados para mejorar el rendimiento de sus propios modelos. En estas lecciones conocerá las diferentes ventajas del aprendizaje por transferencia y cómo usar modelos previamente entrenados para mejorar el rendimiento de sus proyectos de aprendizaje automático.
TensorFlow Nivel Principiante: Complementos para TensorFlow 13m • 3 Lecciones • Principiante TensorFlow es una potente herramienta para el aprendizaje automático, pero también hay una serie de complementos disponibles que pueden mejorar sus capacidades. En estas lecciones explorará los diferentes complementos disponibles y cómo usarlos de forma eficaz en sus proyectos de aprendizaje automático.
TensorFlow Nivel Principiante: Aplicaciones del mundo real 18m • 4 Lecciones • Principiante En estas lecciones aprenderá a aplicar técnicas de aprendizaje automático para resolver problemas complejos del mundo real en diversos dominios, como las finanzas y la biología. Aprenderá sobre los modelos de clasificación y cómo se pueden utilizar para resolver desafíos como el análisis de tensión/deformación de una presa, como un ejemplo notable.
Comprensión de la inteligencia artificial generativa y la ciberseguridad 13m • 5 Lecciones • Esencial En este curso sobre Comprensión de la inteligencia artificial generativa y la ciberseguridad, explorará cómo la IA generativa está remodelando la ciberseguridad. Aprenderá los fundamentos de la IA generativa, en qué se diferencia de la IA tradicional y sus aplicaciones en todos los sectores. Cubriremos la tríada de la CIA y el papel de la IA en la creación de amenazas y la mejora de la seguridad.
Uso de la IA generativa en la ciberseguridad 12m • 5 Lecciones • Esencial En este curso sobre el uso de la IA generativa en la ciberseguridad, aprenderá a integrar la IA en sus marcos de seguridad para prever y contrarrestar las ciberamenazas avanzadas. Explorará la actualización de su infraestructura, el entrenamiento de modelos de IA sobre diversas amenazas y la implementación de medidas de seguridad impulsadas por IA, como la detección de exploits de día cero y la prevención mejorada de phishing.
Respuesta a las amenazas de ciberseguridad de la IA generativa 13m • 5 Lecciones • Esencial En este curso Respuesta a las amenazas de ciberseguridad de la IA generativa, aprenderá a identificar y gestionar los riesgos que plantea la IA generativa. Exploraremos cómo la IA puede crear ataques de phishing, deepfakes y exploits automatizados, mientras exploramos el papel del aprendizaje automático en la lucha contra estas amenazas. Al final de este curso, estará preparado para fortalecer las defensas de su empresa utilizando estrategias de seguridad impulsadas por IA.
¿Listo para tener un equipo más productivo, comprometido y capacitado? Empiece hoy